申請しなかった理由を集める政策レーダー：AIが「届かなかった制度」を見つける未来

制度の数字に入らない人

行政は、申請件数、採択件数、支給額を数える。しかし最も必要なのに申請しなかった人は、その数字へ現れない。制度を知らなかった。自分が対象だと思わなかった。書類が難しかった。家族へ知られたくなかった。窓口で説明する気力がなかった。理由は生活の中に散らばり、未申請という1つの空欄にまとめられる。

AIを使えば、この空欄を監視ではなく改善の入口へ変えられる可能性がある。仮に「政策レーダー」と呼ぼう。目的は非申請者を発見して申請させることではない。制度がどこで人を遠ざけたかを、本人の負担を増やさず把握することだ。

たとえば自治体サイトの検索語、匿名相談の自由記述、支援団体が本人同意のもとで残す障壁メモを、AIが個人特定できない形へまとめる。「対象条件が分からない」「必要書類を取りに行けない」「申請すると家族へ通知されそう」といった傾向を見つけ、制度担当者へ返す。

重要なのは、人を採点するAIではなく、制度の側を診断するAIにすることだ。

佐藤さんが申請しなかった理由

72歳の佐藤さんが住宅改修助成を使わなかったとする。理由はデジタルに弱いから、ではない。サイトにはオンライン申請と書かれていたが、紙でも申請できることが小さくしか表示されていなかった。見積書を二社から取る条件も、近所に業者が一社しかない佐藤さんには不可能に見えた。

従来の集計では、佐藤さんは「需要なし」になる。政策レーダーでは、地域包括支援センターとの会話から、本人が共有を認めた範囲だけを「紙申請が見つけにくい」「地域の事業者数と条件が合わない」という制度側の障壁へ変換する。

担当者は佐藤さんの氏名を知らなくていい。必要なのは、同じ障壁が複数地域で起きているという兆候だ。AIは文章の言い回しをまとめ、頻度だけでなく深刻度と回避可能性を整理する。

その結果、紙申請への導線を大きくする、事業者要件へ地域例外を設ける、といった改善ができる。佐藤さんを説得する前に、制度が近づく。これが政策レーダーの基本思想になる。

集めない設計

「申請しなかった理由」を集めると聞くと、行政が生活を追跡する仕組みにもなり得る。だから最初に、集めない項目を決める必要がある。氏名、正確な住所、端末識別子、医療や家族関係の詳細は、改善に不要なら保存しない。

自由記述は端末や地域支援機関の中で要約し、個人を推測できる固有情報を除いてから集計基盤へ送る。元の文章を中央へ集めない方式も選べる。少人数地域では件数をそのまま表示せず、複数期間・複数地域をまとめる。

AIが推測した理由を本人の事実として扱わないことも重要だ。「申請を避けた可能性が高い」と個人へラベルを付ければ、保険、福祉、税務など別用途へ流用されかねない。出力はあくまで制度改善の仮説であり、個人の属性ではない。

さらに、相談窓口で「改善のため匿名化して共有してよいですか」と尋ねられて断っても、支援の質が変わらないようにする。同意を集める圧力を制度の新しい障壁にしてはいけない。

AIが見つけるのは頻度だけではない

単純な集計ならAIでなくてもできる。AIが役立つのは、違う言葉で語られた同じ障壁や、件数は少なくても深刻な障壁を見つける部分だ。

「役所へ行けない」「平日に休めない」「窓口で知人に会いたくない」は、すべて時間や距離の問題に見えて、実際には別の対策が必要だ。訪問受付、夜間窓口、匿名相談、代理申請。AIは文章を1つのカテゴリへ潰すのではなく、対策可能な単位へ分ける補助をする。

また、「申請書を途中まで書いたがやめた」「必要書類の頁だけ繰り返し見た」といった匿名の利用行動から、説明の詰まりを見つけられる。ただしクリック履歴を個人の他サービス利用と結びつけない。閲覧分析は短期間で集計し、原ログを削除する。

政策担当者には、AIの結論だけでなく根拠となる匿名例、確信度、反対の解釈も示す。「面倒だから」という言葉を怠慢と読むのか、複数の負担が限界に達したサインと読むのか。最後は当事者への検証と人間の判断が必要だ。

改善が届いたかを測る

レーダーが障壁を見つけても、報告書を作って終われば意味がない。改善案には担当者、期限、試験地域、評価方法を紐づける。紙申請への導線を変えたなら、閲覧数だけでなく「自分に合う申請方法を見つけられた」と答える人が増えたかを見る。

申請件数が増えない場合もある。制度を理解したうえで、使わないと決めた人が増えたなら、それは失敗ではない。選択できる状態を作ることが目的だからだ。

逆に件数が増えても、支援員が説明を肩代わりして疲弊しただけなら、障壁を移動したにすぎない。利用者の所要時間、説明回数、心理的負担、支援者の作業量を一緒に測る。

改善結果は公開し、「どの声をどう変えたか」「変えなかった理由」「AIの誤分類」を読めるようにする。制度の信頼は、失敗がないことではなく、失敗から更新できることによって育つ。政策レーダー自身も、監査と異議申し立てを受ける対象になる。

今日から触れられる未来

この未来は巨大な国家システムを待たなくても、小さく始められる。地域の支援団体が、相談後に「制度を使わなかった理由」を本人と一緒に一文だけ残す。個人情報を除き、月に一度AIで傾向を整理し、自治体との定例会へ持ち込む。担当者は3つだけ改善を選び、翌月に結果を返す。

個人もAIを使える。自分が申請を途中でやめた理由を箇条書きし、「私の能力不足ではなく、手続き側の改善点として整理して」と頼む。問い合わせ文や意見提出文へ変え、必要なら支援者と一緒に送る。AIは代わりに制度を決めないが、諦めた経験を改善可能な言葉へ翻訳できる。

AIに触れていない人は、制度が自分へ合わなかった理由を「自分が苦手だから」で終えやすい。触れた人は、何が障壁で、誰へどう伝えれば変えられるかを整理できる。この差は、単なる作業速度ではなく、市民として選択肢を持てる差になる。

未来の行政は、申請した人だけを見る窓口から、届かなかった理由を学ぶ仕組みへ変わるかもしれない。AIは人を制度へ押し込むレーダーではなく、制度が人から離れた地点を示すレーダーになる。その設計を今から選ぶことができる。

誰が運用を止められるか

政策レーダーには、開始条件より停止条件が重要になる。誤分類が一定割合を超えた、少人数地域で個人が推測される恐れが出た、集計結果が審査や取り締まりへ転用された。そのとき現場担当者や市民委員が運用を一時停止できる権限を持つべきだ。

システム提供企業だけがモデルの判断を説明する構造も避けたい。自治体は入力項目、集計単位、削除期限、利用部署を公開し、第三者が監査できる形式でログを残す。モデルを変更した日は、前後で傾向がどう変わったか比較する。

当事者委員会は、形式的な意見聴取にしない。障害、介護、外国籍、ひとり親、若者、高齢者など、制度との接点が異なる人へ継続的に参加してもらい、報酬と撤回権を保障する。誰か1人に「利用者代表」を背負わせない。

レーダーが示した仮説へ異議を申し立てる窓口も必要だ。「この地域ではデジタル不安ではなく、窓口で知人に会うことが問題だ」と現場が修正できる。AIの分析を正解として配るのではなく、議論を始める下書きとして扱う。

最終的に評価すべきなのは、AIの精度だけではない。制度を使わなかった人が、自分を責めずに理由を言葉にできたか。その言葉が、次の人の選択肢を増やしたか。政策レーダーの価値は、見えなかった人を監視可能にすることではなく、見えなかった障壁を変更可能にすることにある。